fix doc style

image_classification/README.md

@@ -235,4 +235,4 @@ parameters.init_from_tar(gzip.open('Paddle_ResNet50.tar.gz', 'r'))
 ```
 
 ### 注意事项
-模型压缩包中所含各文件的文件名对应了和模型配置中的参数名一一对应，是加载模型参数的依据。我们提供的预训练模型均使用了示例代码中的配置，如需修改网络配置，请多加注意，需要保证网络配置中的参数名和压缩包中的文件名能够正确对应。
+模型压缩包中所含各文件的文件名和模型配置中的参数名一一对应，是加载模型参数的依据。我们提供的预训练模型均使用了示例代码中的配置，如需修改网络配置，请多加注意，需要保证网络配置中的参数名和压缩包中的文件名能够正确对应。

image_classification/index.html

@@ -277,7 +277,7 @@ parameters.init_from_tar(gzip.open('Paddle_ResNet50.tar.gz', 'r'))
 ```
 
 ### 注意事项
-模型压缩包中所含各文件的文件名对应了和模型配置中的参数名一一对应，是加载模型参数的依据。我们提供的预训练模型均使用了示例代码中的配置，如需修改网络配置，请多加注意，需要保证网络配置中的参数名和压缩包中的文件名能够正确对应。
+模型压缩包中所含各文件的文件名和模型配置中的参数名一一对应，是加载模型参数的依据。我们提供的预训练模型均使用了示例代码中的配置，如需修改网络配置，请多加注意，需要保证网络配置中的参数名和压缩包中的文件名能够正确对应。
 
 </div>
 <!-- You can change the lines below now. -->

nested_sequence/text_classification/.gitignore

+.DS_Store
+*.pyc

nested_sequence/text_classification/README.md

@@ -40,10 +40,10 @@ CNN网络具体代码实现如下：
 ```python
 def cnn_cov_group(group_input, hidden_size):
     """
-    Covolution group definition
+    Convolution group definition.
     :param group_input: The input of this layer.
     :type group_input: LayerOutput
-    :params hidden_size: Size of FC layer.
+    :params hidden_size: The size of the fully connected layer.
     :type hidden_size: int
     """
     conv3 = paddle.networks.sequence_conv_pool(
@@ -63,8 +63,10 @@ PaddlePaddle 中已经封装好的带有池化的文本序列卷积模块：`pad
 
 在得到每个句子的表示向量之后， 将所有句子表示向量经过一个平均池化层， 得到一个样本的向量表示， 向量经过一个全连接层输出最终的预测结果。 代码如下：
 ```python
-avg_pool = paddle.layer.pooling(input=nest_group, pooling_type=paddle.pooling.Avg(),
+avg_pool = paddle.layer.pooling(input=nest_group,
+                                pooling_type=paddle.pooling.Avg(),
                                 agg_level=paddle.layer.AggregateLevel.TO_NO_SEQUENCE)
+
 prob = paddle.layer.mixed(size=class_num,
                           input=[paddle.layer.full_matrix_projection(input=avg_pool)],
                           act=paddle.activation.Softmax())
@@ -122,10 +124,10 @@ python infer.py --model_path 'models/params_pass_00000.tar.gz'
 
 输入数据格式如下：每一行为一条样本，以 `\t` 分隔，第一列是类别标签，第二列是输入文本的内容。以下是两条示例数据：
 
-    ```
-    positive        This movie is very good. The actor is so handsome.
-    negative        What a terrible movie. I waste so much time.
-    ```
+```
+positive        This movie is very good. The actor is so handsome.
+negative        What a terrible movie. I waste so much time.
+```
 
 2.编写数据读取接口
 

nested_sequence/text_classification/index.html

@@ -82,10 +82,10 @@ CNN网络具体代码实现如下：
 ```python
 def cnn_cov_group(group_input, hidden_size):
     """
-    Covolution group definition
+    Convolution group definition.
     :param group_input: The input of this layer.
     :type group_input: LayerOutput
-    :params hidden_size: Size of FC layer.
+    :params hidden_size: The size of the fully connected layer.
     :type hidden_size: int
     """
     conv3 = paddle.networks.sequence_conv_pool(
@@ -105,8 +105,10 @@ PaddlePaddle 中已经封装好的带有池化的文本序列卷积模块：`pad
 
 在得到每个句子的表示向量之后， 将所有句子表示向量经过一个平均池化层， 得到一个样本的向量表示， 向量经过一个全连接层输出最终的预测结果。 代码如下：
 ```python
-avg_pool = paddle.layer.pooling(input=nest_group, pooling_type=paddle.pooling.Avg(),
+avg_pool = paddle.layer.pooling(input=nest_group,
+                                pooling_type=paddle.pooling.Avg(),
                                 agg_level=paddle.layer.AggregateLevel.TO_NO_SEQUENCE)
+
 prob = paddle.layer.mixed(size=class_num,
                           input=[paddle.layer.full_matrix_projection(input=avg_pool)],
                           act=paddle.activation.Softmax())
@@ -164,10 +166,10 @@ python infer.py --model_path 'models/params_pass_00000.tar.gz'
 
 输入数据格式如下：每一行为一条样本，以 `\t` 分隔，第一列是类别标签，第二列是输入文本的内容。以下是两条示例数据：
 
-    ```
-    positive        This movie is very good. The actor is so handsome.
-    negative        What a terrible movie. I waste so much time.
-    ```
+```
+positive        This movie is very good. The actor is so handsome.
+negative        What a terrible movie. I waste so much time.
+```
 
 2.编写数据读取接口
 

scheduled_sampling/README.md

@@ -60,7 +60,7 @@ class RandomScheduleGenerator:
 `__init__`方法对类进行初始化，其`schedule_type`参数指定了使用哪种衰减方式，可选的方式有`constant`、`linear`、`exponential`和`inverse_sigmoid`。`constant`指对所有的mini-batch使用固定的$\epsilon_i$，`linear`指线性衰减方式，`exponential`表示指数衰减方式，`inverse_sigmoid`表示反向Sigmoid衰减。`__init__`方法的参数`a`和`b`表示衰减方法的参数，需要在验证集上调优。`self.schedule_computers`将衰减方式映射为计算$\epsilon_i$的函数。最后一行根据`schedule_type`将选择的衰减函数赋给`self.schedule_computer`变量。
 
 ```python
-    def __init__(self, schedule_type, a, b):
+def __init__(self, schedule_type, a, b):
     """
     schduled_type: is the type of the decay. It supports constant, linear,
     exponential, and inverse_sigmoid right now.
@@ -84,7 +84,7 @@ class RandomScheduleGenerator:
 `getScheduleRate`根据衰减函数和已经处理的数据量计算$\epsilon_i$。
 
 ```python
-    def getScheduleRate(self):
+def getScheduleRate(self):
     """
     Get the schedule sampling rate. Usually not needed to be called by the users
     """
@@ -95,7 +95,7 @@ class RandomScheduleGenerator:
 `processBatch`方法根据概率值$\epsilon_i$进行采样，得到`indexes`，`indexes`中每个元素取值为`0`的概率为$\epsilon_i$，取值为`1`的概率为$1-\epsilon_i$。`indexes`决定了解码器的输入是真实元素还是生成的元素，取值为`0`表示使用真实元素，取值为`1`表示使用生成的元素。
 
 ```python
-    def processBatch(self, batch_size):
+def processBatch(self, batch_size):
     """
     Get a batch_size of sampled indexes. These indexes can be passed to a
     MultiplexLayer to select from the grouth truth and generated samples
@@ -148,7 +148,7 @@ def gen_schedule_data(reader):
 训练时`recurrent_group`每一步调用的解码器函数如下：
 
 ```python
-    def gru_decoder_with_attention_train(enc_vec, enc_proj, true_word,
+def gru_decoder_with_attention_train(enc_vec, enc_proj, true_word,
                                      true_token_flag):
     """
     The decoder step for training.

scheduled_sampling/index.html

@@ -102,7 +102,7 @@ class RandomScheduleGenerator:
 `__init__`方法对类进行初始化，其`schedule_type`参数指定了使用哪种衰减方式，可选的方式有`constant`、`linear`、`exponential`和`inverse_sigmoid`。`constant`指对所有的mini-batch使用固定的$\epsilon_i$，`linear`指线性衰减方式，`exponential`表示指数衰减方式，`inverse_sigmoid`表示反向Sigmoid衰减。`__init__`方法的参数`a`和`b`表示衰减方法的参数，需要在验证集上调优。`self.schedule_computers`将衰减方式映射为计算$\epsilon_i$的函数。最后一行根据`schedule_type`将选择的衰减函数赋给`self.schedule_computer`变量。
 
 ```python
-    def __init__(self, schedule_type, a, b):
+def __init__(self, schedule_type, a, b):
     """
     schduled_type: is the type of the decay. It supports constant, linear,
     exponential, and inverse_sigmoid right now.
@@ -126,7 +126,7 @@ class RandomScheduleGenerator:
 `getScheduleRate`根据衰减函数和已经处理的数据量计算$\epsilon_i$。
 
 ```python
-    def getScheduleRate(self):
+def getScheduleRate(self):
     """
     Get the schedule sampling rate. Usually not needed to be called by the users
     """
@@ -137,7 +137,7 @@ class RandomScheduleGenerator:
 `processBatch`方法根据概率值$\epsilon_i$进行采样，得到`indexes`，`indexes`中每个元素取值为`0`的概率为$\epsilon_i$，取值为`1`的概率为$1-\epsilon_i$。`indexes`决定了解码器的输入是真实元素还是生成的元素，取值为`0`表示使用真实元素，取值为`1`表示使用生成的元素。
 
 ```python
-    def processBatch(self, batch_size):
+def processBatch(self, batch_size):
     """
     Get a batch_size of sampled indexes. These indexes can be passed to a
     MultiplexLayer to select from the grouth truth and generated samples
@@ -190,7 +190,7 @@ def gen_schedule_data(reader):
 训练时`recurrent_group`每一步调用的解码器函数如下：
 
 ```python
-    def gru_decoder_with_attention_train(enc_vec, enc_proj, true_word,
+def gru_decoder_with_attention_train(enc_vec, enc_proj, true_word,
                                      true_token_flag):
     """
     The decoder step for training.